为了改善经典协同过滤个性化推荐算法准确性不高、推荐列表排序性能和偏好分类预测精确性低的缺点，综合考虑了用户共同评分物品数量及质量，通过降低共同评分物品数量较少或质量不高的邻居用户权重，设计了一种用户相似性度量方法进行协同过滤和评分预测。通过实验，在MovieLens电影评分数据集上与领域内几个典型协同过滤算法对比，研究发现本文设计的融合用户共同评分数量和质量的协同过滤个性化推荐算法可以将预测误差降低8.41%，将推荐列表排序性能提高10.21%，将偏好分类预测准确率提高2.55%。
科研之友
微信
新浪微博
Facebook
分享链接
